Modélisation – Haute résolution PDF Print
There are no translations available.

Afin de mener une modélisation approfondie à petite échelle de la structure des vents sur une zone d’intérêt, l’utilisation d’un modèle numérique de prévision de l’état de l’atmosphère est indispensable. La résolution cible pour nos applications est de l’ordre du kilomètre, ce qui impose des contraintes fortes sur le choix du modèle à utiliser. A cette résolution les modèles numériques adoptant l’hypothèse dite hydrostatique (e.g. ARPEGE/ALADIN ou LMDZ) ne sont pas pertinents car cette hypothèse simplificatrice suppose l’absence de mouvements convectifs et n’est donc en pratique valable que lorsque l’on s’intéresse à la circulation grande échelle pour des échelles supérieures à la dizaine de kilomètres. Notons qu’une bonne prise en compte de la convection est importante notamment pour le déclenchement des pluies et en région à topographie complexe.
Une seconde hypothèse d’importance à considérer est l’hypothèse anélastique. Les modèles anélastiques (e.g. Meso-NH) filtrent les ondes acoustiques, ces ondes proviennent d’une fluctuation rapide de pression. Ce filtrage revient à négliger certains effets de compressibilité de l’air et induit des imprécisions sur les vitesses verticales et la propagation des perturbations de pression.
On préférera donc pour des études à très haute résolution des modèles dits fully compressible résolvant explicitement les ondes acoustiques, via une méthode de splitting du schéma temporel.

Le modèle numérique WRF

En prenant les éléments introduits précédemment en considération nous utilisons le modèle non-hydrostatique, fully-compressible, WRF (Weather Research and Forecasting) développé en grande partie par le NCAR (National Center for Atmospheric Reasearch).
WRF est un modèle régional méso-échelle (échelle allant du mètre à la centaine de kilomètres), c'est un modèle communautaire très largement utilisé, de nombreux organismes de recherches et opérationnels contribuent aux développements du code (e.g. NCEP, NOAA, AFWA, …). Il est de plus conçu pour être efficacement porté sur la grande majorité des calculateurs parallèle aussi bien à mémoire partagée (via OpenMP) que distribuée (via MPI). WRF résout les équations d’Euler (équivalentes aux équations de Navier-Stokes pour un fluide non-visqueux) à l’aide d’une formulation de type volumes finis sur grille structurée.

Paramétrisations physiques

Les différents schémas de paramétrisations peuvent être séparés en cinq grandes catégories :
  • Microphysique
  • Paramétrisation des cumulus
  • Schéma radiatif
  • Schéma de couche limite planétaire
  • Schéma de couche limite de surface
Pour ces différentes catégories WRF offre un grand choix de schémas. Grâce à ce grand choix de schémas, suivant les échelles d’intérêt une paramétrisation adéquate peut toujours être utilisée.

Assimilation de données dans le modèle WRF

Afin de simuler l’évolution de l’atmosphère à haute résolution sur de courtes durées, la détermination de la condition initiale revêt une importance toute particulière.
En général des données de type réanalyse sont simplement interpolées sur le domaine local de calcul afin que l’état initial ne soit pas trop « éloigné » de la réalité. Cependant l’état interpolé correspondant n’est pas un état réaliste car l’interpolation crée des structures non physiques. Dans ce cas le risque est la propagation d’ondes non physiques dans le domaine de calcul, qui peuvent donner des comportements totalement irréalistes. De plus, ces erreurs dans la condition initiale iront partiellement en s’amplifiant lors de la prévision et celle-ci pourra diverger de la réalité.

Pour éviter ce genre de problème, plusieurs méthodes ont été proposées comme l’utilisation de filtres digitaux, de méthodes variationnelles basées sur la théorie du contrôle optimal ou encore de méthodes statistiques basée sur la théorie de l’estimation statistique, filtre de Kalman.
Le but lors d’une étude est de pouvoir combiner les informations provenant du modèle et celles provenant des observations dont nous disposons afin de déterminer notamment une condition initiale « optimale ». Les méthodes variationnelles sont basées sur un problème de minimisation d’une fonction coût mesurant les écarts entre l’état estimé et les données disponibles. Cette approche permet de calculer la trajectoire optimale du système. Non seulement les observations servent à déterminer la condition initiale mais elles servent également à corriger les conditions limites pour la simulation.
C’est cette approche que nous utilisons via une méthode de type 3DVar sous sa forme FGAT (First Guess at Appropriate Time). FGAT est une méthode permettant de prendre en compte les observations à leur position effective dans le temps alors qu’une méthode 3DVar « classique » considère toutes les observations, qui sont à l’intérieur d’une fenêtre de temps donnée, au même instant.